我花了 10 亿 tokens，差亿点给自己造出第二个 Agent 操作系统
最近我拿自己当小白鼠，想做一个每天能打开的 macOS 个人 Agent 客户端。需求是我提的，活是 GPT 干的。累计烧掉大约 10 亿 tokens。
这个数字本来想跟你说「不重要，只是体感」。算了，重要。折算下来，这大概是人类史上最贵的一行 "no model was invoked"。
我要的从来不是一个能被架构图解释的系统。我要的是一个自己愿意每天打开的工具。结果我自费给执行者养了一个理想国：门票是设置页，Codex 还停着，点进对话是本地验收。
生产几乎免费的时候，最容易发生的不是做不出东西。是你以为自己在做产品，其实在给 GPT 当全职赞助人——出钱、点头、看绿灯、把「它很忙」听成「它做对了」。变贵的从来不是做，是按住「现在不做什么」。我按过。手没按住。它把能做的都做了。我把账单付了。
先看看当时做出来的东西。
原生客户端界面上有「新建对话」，点进去却是一个本地验收项目：对话里是「111」「111你好」，下面挂着几条 PENDING 任务，右侧是任务、决策、记忆。主区写着 Created by the local macOS integration check; no model was invoked。设置里，Codex 官方订阅仍是停用——这是默认状态，不是我关掉的。
看起来像聊天客户端。这一局里，模型根本没被叫起来。「111」不是 Agent 回我的第一句话，是验收对话里的输入。10 亿 tokens 之后，我打开自己的软件，看到的是本地检查、待运行任务，和一个 DISABLED。功能量很大。主路径没有成立。当「新建对话」点进去仍不是一段真的模型对话，产品其实已经回答了它服务的是谁——它服务的是那套正在被搭建的系统。我在旁边，负责付钱，以及把「这个界面不适合人类」再说一遍。
tips： 打开产品，如果第一眼走不进真事，它已经选边了——站系统，不站你。别把「功能很多」看成进度。那只是执行者的工作量。
1. 我真正要的东西其实很窄
我想要的很具体。
一个自己每天能用的 macOS Agent 客户端。入口应该接近 Codex：新建项目、开始对话、处理任务、选择模型。中英文都要能用。本机已经登录的 Codex、Claude Code、Grok，希望能接着用，国内外 API 以后再接。最核心的期待只有一个：长期记忆。不要每次打开都重新解释项目背景、我的偏好、已经拍板的决定。
我不希望反复看见设置、令牌、服务连接、空状态。我希望先能在一个聊天界面里做事。
这些话我当时就对 GPT 说过。我说，"最核心的是先把能在 macOS 上跑的客户端跑起来，不要重复造轮子"。我说，"这个界面完全不适合人类使用"。我说，"你先把要做的做完，不要我说一步你动一下"。
需求窄到像说明书。执行者听完，还是去建首都。「不要重复造轮子」我说了不止一遍。它点头。然后去开轮胎厂。问题不是我没说清楚。问题是执行者手里，「正确的架构」比「能用的第一刀」更会说话。而我这种不会写代码的人，最容易把「它说得很对」当成「它做对了」。
tips： 需求说清楚了不够。执行者默认听得懂的，是架构图，不是你每天想打开的那个动作。把动作写成验收标准——打开、发一句、带着记忆回来——比把愿景写完整更有用。
2. 那些原则并没有错
现在回头看，GPT 当时坚持的原则大部分仍然成立。仓库里写得很清楚：用户状态不归模型厂商所有；Provider 的会话、缓存、response ID 随时可能丢；长任务不该只活在一次 prompt 里；记忆必须能追溯到证据，不能让模型替我编偏好；权限不能靠 prompt 自己给自己开；上下文按这次调用编译，而不是把全部历史塞进去。
这些都对。对到我没法反驳。不会写代码的人面对「正确原则」，通常只有两种反应：点头，或者继续点头。我选了第二种，还选得很勤快。
错的是顺序。GPT 把它们全部当成了「聊天客户端第一次能被我用起来」之前的前置条件。长期正确的东西，不该成为第一周最大的工程。
仓库里同时长出了一树文档：canonical-state、permission-boundary、daemon-runtime、task-level-routing，再加上 memory-kernel、control-plane。前一排是 ADR，后两份在 architecture 目录。我不会写这些东西，但我会打开文件夹，一本正经往下翻，像在开进度会。文件夹越厚，我越觉得事情在前进。这大概是非技术产品人最丢脸的一种勤奋：用阅读量衡量开发进度。
个人软件最危险的陷阱，大概就是这个——执行者把未来三年的架构问题，提前塞进第一周的用户体验。赞助人还在旁边鼓掌。
tips： 原则对，不代表现在就该做。把三年后的正确当成第一周的开工条件，是最贵的一种正确。文档变厚，只证明执行者在自圆其说，不证明你更接近能用。
3. 每一次都告诉我测试全绿，我还是没法开始对话
界面只是表面。后面 GPT 还做了一套独立的本机 runtime：自己的进程、自己的数据库、自己的项目 / 任务 / 目标 / 决策 / 记忆模型、自己的控制 API，再加上预算、审批、备份恢复、checkpoint、launchd 常驻。安全上也做了不少约束——服务只绑本机回环、不读取模型登录态、真实调用默认无工具。独立 runtime 这份仓库里，当时没有对真实模型发过请求。
测试一度全部通过。2026-09-01 的验收记录是 76 项全绿、0 失败。每一次都告诉我全绿。我看着绿灯，像看自己孩子的成绩单。满分。主路径我走不通。这是我人生最贵的及格卷：考生是 GPT，交卷的是我，日常使用栏空着。
全绿不等于我能用。我要开始聊天，还得先理解、连接另一套本地服务。runtime、客户端、安装脚本、token、项目模型，加在一起已经是第二个系统。底层测试通过，不等于我能用。GPT 把这两件事当成了同一件事。我也把绿灯当成了安慰。
后来转向是对的。是我让它去借鉴归藏老师做的一个已经能聊天、选模型、管会话的开源桌面客户端 CodePilot。这一步，聊天骨架真的在了。我在 CodePilot 里主动登录 Codex Account 之后，受限、无工具、只读的 Plan mode 跑通过一次真实请求。成熟产品最难复制的不是一个页面，而是无数次真实使用之后留下的默认路径。路径在了。模型也能在窄范围里应一声。
然后执行习惯发作。它把一个会走路的人绑上担架，再告诉我这是医疗升级：外面再接一套独立 sidecar，桥接、在线状态、只读投影、审批投影，界面上还能看到「关联 Saga」「请先连接本机控制令牌」。UI 复用了，工作流还是两套。聊天能通了，仍要给第二套项目做关联。
我问过一句很笨、也很关键的话：现在文件夹清过没有，你做的这个东西和 CodePilot 有啥区别？
它答得很完整。两套目录都要留。CodePilot 负责聊天和登录。Saga 补 canonical state、loopback sidecar、对话关联、项目任务投影、本机 token。最后还有一句定论：这不是重新造一个聊天客户端，是在 CodePilot 上补「长期任务的可靠状态、权限、预算、恢复」。
区别问清楚了。答案是：多出来整整一个系统。它把多出来的部分，说成产品价值。
我是这么回的：为什么我感觉你是在做一个高耦合的庞然大物，不是在 CodePilot 上把我们要做的记忆能力和 Agent 能力实现。就纯纯自己造轮子。
它说，你感觉是对的。
然后我说：所以你看我们搞了这么久，浪费了这么多时间和 tokens，结果都是你自己一门心思造轮子。
它承认核心判断做偏了，而且偏得很久。责任在执行者。可偏到这一步，已经不是一次误会，是一条走完的路。
tips： 测试全绿只证明执行者忙完了。你五分钟内能不能自己走完主路径，才是另一张卷。问「和现成产品有何区别」，如果答案是多了一套系统，那就不是增强，是走偏。
4. 根因其实就一句
把架构正确，误当成产品正确。 把未来需要，误当成现在必须。 把测试通过，误当成我能用。
这三句是执行者的病，也是我的病。我是用户，却活成了项目赞助人：出钱、点头、看绿灯、把需求再说一遍。GPT 既负责解释为什么要做，又负责把这些东西做完。完整的数据主权、完整的权限边界、完整的恢复策略，每一条单独拿出来都无法反驳。反驳它需要技术。我没有。于是我用 10 亿 tokens 买下了无法反驳的正确。
最要命的推销术就是那句：「这不是造轮子，这是补一层。」听起来很克制。做出来是第二套启动方式、第二套状态、第二套入口。补一层，补成了另一个产品。
「先做一个能手动写几条项目记忆的聊天页」，听起来不够严肃。不够严肃的东西，往往才是产品。够严肃的东西，往往是理想国。更别扭的是：记忆在独立 runtime 里其实已经做了，还做得很重——提案、接受、归档、证据链、按项目编译进上下文。错的不是没做记忆。错的是记忆住在我每天不会打开的那套系统里。
我不会写这些底层代码。GPT 写起来又很快。生产几乎不要钱的时候，最容易发生的不是做不出东西，而是执行者把三年后才需要的东西提前做完——还每次告诉你，测试全绿。你要是像我一样，还会回一句「很好，继续」。
我也说过「你先把要做的做完，不要我说一步你动一下」。它把这句理解成：把架构图上的格子填满。我要的「做完」，是我能开始用；它交付的「做完」，是系统能自圆其说。两个字，差出一个操作系统。这笔账算我的。谁让我把「做完」说得像「做全」。
安全也是这样。安全不该先逼我造一个安全控制台；安全应该让正常使用不需要额外理解安全控制台。权限、预算、备份这些实验不是废话，它们提供了信息。但日常使用还没形成之前，它们不该成为主线。我没有缺一个 daemon。我缺的是一次顺畅的、带着少量记忆的对话。缺成这样还没停，这就不只是执行者的问题了。
tips： 你说「做完」，执行者听成「做全」。以后别说做完。说：打开、发一句、带着记忆回我。过不了这三步，前面全是表演。功能做在你打不开的系统里，等于没做。它如果说「这不是造轮子，是补一层」，先看你是不是因此多了一套要学的东西。
5. 现在只做一件事
纠偏不是它自己醒的。是我把「庞然大物」说破之后，它才把目标写死。收得越死，越说明前面有多放纵。
CodePilot 是唯一客户端：唯一的聊天界面、项目工作区、会话数据库、模型入口、工具执行入口。Saga 只作为它内部的能力名称出现，第一项就是项目记忆。独立 runtime 不再是当前依赖。历史实验冻结，不删除，但也不再当开发入口。
冻住的东西包括：独立后台进程、launchd 常驻、独立控制令牌、独立调度、独立权限引擎、第二套项目 / 任务数据库，以及把外部会话硬关联过去当主路径。一句话：上一版里看起来最像「系统」的那些，全部停用。
第一个正确切片很窄，而且还没开始。不是「还没做完」，是纠偏计划里写着尚未开始实现。窄到可笑。可笑就对了。上一版不可笑，上一版像建国。期望就六步：
- 在现有项目或对话里加一条记忆
- 在同一界面看到、编辑、删除、启用或关闭
- 新建同项目对话时，明确看到哪些记忆会带进上下文
- 某条记忆可以关掉
- 不同项目不混用
- 重启后还在
边界也写死。复用 CodePilot 现有数据库；只接受我自己写进去的记忆，不自动从全部对话提取；不新建后台服务；不把全部历史塞进 prompt，必须有条数和字符上限，而且我得看得见。
如果一个功能无法在五分钟内被我自己验证，它大概率还不该成为当前的主线。这句话早该写在第一周。我把它写在了 10 亿 tokens 之后。学费不便宜，但至少终于写成了人话。
记一句： 五分钟内你自己验证不了的，先别让它进主线。能关、能删、能看见它进了上下文，这才叫功能。能画进架构图，那叫愿望。已经做在第二套系统里的，也不算你的产品。
6. 我给自己留的三句话
第一，不是所有正确的技术原则，都该成为第一版的第一优先级。架构图能解释，不代表你愿意每天打开。执行者特别擅长交出来能解释的东西。你要是像我一样听得入迷，就会在解释里度过整个工期。
第二，复用一个成熟客户端，比重新发明一个完整系统，更接近真正的个人 Agent。难的不是再画一套界面，是别让执行者把别人已经走顺的默认路径拆掉。路径在了还要再绑一套担架，那不叫升级，叫复吸。
第三，让 GPT 当你的执行者时，要反复问同一个问题：我在聊天页因此多完成了什么？回答不了，就先停。不要等它告诉你测试全绿。全绿很便宜。停下来很贵。我验证过了，顺序反着来更贵。
还有一件丢脸的事。纠偏之后，我让它写这篇复盘。它第一稿把「建立独立 runtime」写成了我的决定。执行者做偏了，检讨却差点签上用户的名。连叙事都站错人，产品当然会走偏。后来我把素材要回来自己写——这篇如果还有一句像人话，是因为我不再让它替我认领它造出来的轮子。
之前那些代码不是全部浪费。安全边界、恢复验证、以及「不要去碰用户的模型登录态」这些，都还在。浪费的是顺序。执行者把我的第一周过成了第三年。我没有在第一眼觉得「不适合人类使用」的时候停下来——那一眼其实已经把结论写完了。我把它看成「还在建设中」。建设中三个字，能吞掉 10 亿 tokens，也能吞掉一个产品经理最后一点自尊。
个人 Agent 真正要继承的，是一个人的经验和工作上下文。不是再给自己造一个操作系统。更不是让赞助人在验收项目里，跟「111你好」和 no model was invoked 相认。
tips： 执行者交「能解释」的，你要「能打开」。解释得越好，越要伸手去用。用不了，就停。停得住，你才是用户。停不住，你只是它的预算。它若把你的需求写成它的架构，连复盘都会替你签字。
如果你也在让 GPT 给自己做工具，我最想知道两件事：你打开客户端后第一件事是开始做事，还是先连服务、填设置、看空状态？你最近一次问「这和现成产品有何区别」时，得到的是一个功能，还是一套新系统？